專利名稱：基于面部特征器官相似性的人臉圖像超分辨率重建方法
技術領域：
本發明涉及一種基于面部特征器官相似性的人臉圖像超分辨率重建方法。
背景技術：
圖像超分辨率重建技術的目的在于將給定的低分辨率圖像的分辨率通過數字圖像處理技術進行有效的提升，從而得到高質量的高分辨率圖像。人臉圖像超分辨率重建 (又稱幻覺臉技術)即通過給定的低分辨率正面人臉圖像重建出包含足夠有效信息的高分辨率人臉圖像，此技術目前廣泛應用于視頻監控、刑事偵查等安防領域，同時以上領域對該技術恢復出的高分辨率人臉圖像的品質有很高的要求。當前普遍采用的圖像超分辨率重建技術基本分為三類基于插值、基于重構和基于學習。基于插值的方法根據待插入點的K鄰域內的原始像素和特定的插值公式完成待插入點像素的估算。此方法的運算速度取決于鄰域半徑K的大小以及插值公式的復雜度。較其它方法而言，此方法運算速度最快，但是效果也最不理想，因此不適用于人臉圖像。基于重構的方法利用退化后的圖像與原始低分辨率圖像間的相似度構造代價函數方程，同時利用圖像特征先驗信息構造方程的正則化項，最后采用迭代的方法求取該正則化方程最優解，得到最優的高分辨率圖像，但是此方法的效果取決于所采用的圖像特征先驗信息，最終重建的高分辨率圖像邊緣效果較好，但是運算量較大且細節信息匱乏。基于學習的方法主要是借助一組高分辨率訓練圖像提供的細節信息彌補原始低分辨率圖像所需細節信息，此方法得到的重建圖像邊緣效果一般，但圖像細節豐富，具有較好的視覺效果，因此人臉圖像超分辨率重建普遍采用基于學習的方法。目前，研究人員和技術人員已經提出多種人臉圖像超分辨率重建方法。方法一 基于多尺度和多方向特征的人臉圖像超分辨率重建算法，采用可操控金字塔結構學習人臉圖像的低層次局部特征的空間分布，結合金字塔式層次結構和局部最優匹配算法來預測最佳高低分辨率圖像間的特征匹配。方法二 基于矢量量化的方法，訓練高低分辨率人臉圖像之間的柵格關系模型，然后通過該模型以及訓練圖像完成對高分辨率人臉圖像的估計。方法三基于馬爾可夫隨機場的方法，該方法認為圖像塊之間或圖像像素之間滿足一種非參數先驗關系模型，該模型可利用馬爾可夫隨機場模型代替，借助此模型可以從訓練圖像中獲取高頻信息來補償低分辨率目標人臉圖像所需高頻信息，但此方法運算量很大。方法四基于張量的方法，利用分層特征張量表征人臉，通過訓練得到全局特征張量， 再結合局部特征張量共同完成人臉圖像超分辨率重建。方法五基于稀疏表達的方法，該方法認為高分辨率圖像塊可以采用一組標準信號元的稀疏表達來描述，在圖像質量退化不嚴重的情況下，基于壓縮感知的原理可以通過低分辨率圖像順利恢復出對應高分辨率圖像的稀疏表達。方法六基于特征子空間的方法，通過多元統計技術(MulitiVariate Statistical Technique)、主兀分析(Principle Component Analysis, PCA)、多兀線性分析(Multilinear Analysis)禾口非負失巨陣分角軍(Non-negative Matrix Factorization,NMF) 等方法將圖像轉換到特征子空間，低分辨率目標人臉圖像可以通過低分辨率訓練圖像的線性組合來表達，保持組合系數并將低分辨率訓練圖像替換為對應的高分辨率訓練圖像，得到的輸出即為高分辨率目標人臉圖像，此方法適應性強，但需要將訓練圖像精確配準到目標圖像。基于學習的人臉圖像超分辨率重建方法主要有以下兩個缺陷其一、需要復雜的預處理操作。以上所列的任一種方法均存在此缺陷，基于學習的人臉圖像超分辨率重建過程主要依賴于訓練圖像的有效程度，即訓練圖像與目標圖像的整體及局部相似度。預處理過程是指為一幅目標圖像建立有效的圖像訓練集，一般需要多步驟復雜操作，包括圖像檢索、比例縮放、圖像配準和亮度歸一化等操作，簡單預處理很難得到理想的效果，高精度的預處理方法又十分費時(如光流法等)。如果預處理不足，重建出的高分辨率目標圖像的效果會受到很大影響，尤其以基于特征子空間的方法所受影響最大；其二、不適宜小目標圖像超分辨率重建。除方法六外，以上所述方法中訓練圖像的作用均在于高頻信息補償，即在訓練圖像集中檢索與目標圖像相似的圖像或局部圖像塊的高頻信息，而訓練圖像集的中低頻信息僅僅起到了幫助檢索的作用，并未參與到實質的圖像超分辨率重建過程中，造成了資源的浪費。當目標圖像尺寸較小時，目標圖像本身基本不包含有效的高頻信息，僅依靠低頻圖像相似度檢索得到的高頻信息并不能起有效的補償作用，有時甚至會導致相反的效果。
發明內容
本發明針對以上問題的提出，而研制一種基于面部特征器官相似性的人臉圖像超分辨率重建方法。具體技術方案如下一種基于面部特征器官相似性的人臉圖像超分辨率重建方法，其特征在于包括如下方法步驟1根據給定理想高分辨率人臉圖像，利用灰度投影法快速定位人眼瞳孔位置，根據瞳孔距離縮放和切割所有的人臉圖像，使所有圖像之間的瞳孔位置和面部輪廓大小基本一致，配準后的圖像組成了高分辨率正面人臉圖像庫；同時對高分辨率正面人臉圖像庫內所有圖像再次利用灰度投影法定位面部特征器官的中心坐標，然后按照固定大小和中心坐標提取器官圖像，建立高分辨率特征器官圖像庫；步驟2對一幅待超分辨率重建的低分辨率目標人臉圖像配準雙眼瞳孔位置，根據圖像超分辨率放大系數計算低分辨率目標人臉圖像瞳孔坐標和特征器官圖像的尺寸，而后根據灰度投影法定位面部特征器官并提取低分辨率特征器官圖像；步驟3首先對低分辨率目標人臉圖像和低分辨率特征器官圖像進行雙三次插值， 獲得初始目標人臉圖像和初始特征器官圖像，將高分辨率正面人臉圖像庫內的所有圖像作為針對初始目標人臉圖像的候選訓練圖像；并多次通過主元分析的方法計算初始目標人臉圖像和與其對應候選訓練圖像間的近似度，將相似度低的一部分候選訓練圖像剔除，剩余近似度高的候選訓練圖像組成針對低分辨率目標人臉圖像的訓練圖像集，針對低分辨率特征器官圖像的訓練圖像集構建方法與之相同；步驟4針對低分辨率目標人臉圖像和低分辨率特征器官圖像的訓練圖像集構建各自所對應的特征空間，通過低分辨率目標人臉圖像和低分辨率特征器官圖像的投影向量，重建出對應的高分辨率整體人臉圖像和高分辨率器官圖像的投影向量，將在特征空間內重建的投影向量恢復到像素空間即得到了高分辨率整體人臉圖像和高分辨率特征器官圖像；
步驟5將步驟4得到的高分辨率整體人臉圖像和高分辨率特征器官圖像融合為最終的高分辨率目標人臉圖像，在步驟2的低分辨率目標人臉圖像預處理過程中已經定位了面部特征器官的中心坐標，最終高分辨率目標人臉圖像在器官位置的像素值是重建后特征器官圖像和整體人臉圖像在該位置像素值的加權和；其中，特征器官圖像中心到邊界的權值服從高斯分布。步驟3所述多次通過主元分析的方法計算初始目標圖像和與其對應候選訓練圖像間的相似度，將相似度低的一部分圖像剔除的具體步驟如下①前一半次數的相似度測量在梯度域內進行，即首先計算所有圖像的梯度圖像，然后計算梯度圖像間的相似度，從而保證了候選訓練圖像與初始目標圖像間邊緣輪廓的相似性；②后一半次數的相似度測量在灰度域內完成，即直接計算候選訓練圖像和初始目標圖像間的灰度相似度。步驟3所述的圖像相似度測量方法具體步驟如下①通過主元分析的方法構建所有候選訓練圖像對應的特征空間，計算所有候選訓練圖像和初始目標圖像在該特征空間內的投影向量，②初始目標圖像的投影向量和候選訓練圖像的投影向量之間的歐氏距離作為它們之間相似度的判斷依據，將相似度小的候選訓練圖像剔除，剩余的候選者重新構造特征空間，并以相同的方法計算相似度，再次將相似度小的候選訓練圖像剔除，直至剩余候選訓練圖像的數目滿足要求，最終獲取訓練圖像集。同現有技術相比本發明的優點是顯而易見的，具體為1、圖像預處理僅需根據瞳孔位置和面部輪廓簡單縮放和切割圖像，極大的節約了預處理時間，也避免了多比例配準和亮度處理導致的圖像失真和質量退化；2、通過梯度域與灰度域相結合的多步主元分析方法檢索相似圖像，構造訓練圖像集，既去除了照度變化的干擾，又保證了圖像輪廓的相似性，最大限度的發揮了基于主元分析的圖像檢索方法的優勢，進一步提高了檢索結果的精度；3、面部特征器官圖像單獨進行超分辨率重建，使得最終重建的人臉圖像真實度更高，關鍵位置細節信息更豐富；4、本發明更適用于小尺寸圖像超分辨率重建，基于特征子空間的方法在小尺寸圖像超分辨率重建時效果顯著，而特征器官圖像本身結構簡單，圖像間相似度高，因此進一步提高了基于特征子空間方法對小尺寸人臉圖像的重建效果。
圖1為本發明所述方法的流程圖；圖2為高分辨率正面人臉圖像庫及特征器官圖像庫的構建流程圖；圖3為訓練圖像集構建流程圖；圖4為基于主元分析的人臉圖像超分辨率重建流程圖；圖5為人臉圖像超分辨率重建結果對比圖。
具體實施例方式如圖1至圖4所示的基于面部特征器官相似性的人臉圖像超分辨率重建方法的其基本思想是利用對低分辨率整體人臉圖像和面部特征器官分別利用基于特征子空間的方法進行超分辨率重建，將二者的重建結果進行融合得到最終的高分辨率圖像。相比于先前的方法，在算法復雜度、運算量、圖像效果和魯棒性方面均有不同程度的改善，重建后的高分辨整體人臉圖像保證了圖像邊緣輪廓信息與原始目標圖像的一致性，而重建后的面部特征器官圖像提升了人臉圖像器官部位的視覺效果，同時降低了對訓練圖像配準精度的苛求，極大的減少了預處理時間。具體方法是首先建立高分辨率正面人臉圖像庫，利用灰度投影法快速定位人眼瞳孔位置，根據瞳孔距離縮放和切割所有的人臉圖像，使所有圖像之間的瞳孔位置和面部輪廓大小基本一致，配準后的圖像組成了高分辨率正面人臉圖像庫。其次對圖像庫內所有圖像再次利用灰度投影法定位左眼、右眼、左眉、右眉、鼻和嘴唇等六個面部特征器官的中心坐標，然后按照固定大小和中心坐標提取器官圖像，建立高分辨率特征器官圖像庫。當給定一幅待超分辨率重建的低分辨率目標人臉圖像時，首先對其進行簡單配準并提取特征器官圖像，然后分別在梯度域和灰度域利用多步主元分析的方法為其檢索相似整體人臉圖像和特征器官圖像，檢索結果作為整體人臉圖像和特征器官圖像訓練圖像集，對于目標人臉的整體圖像和特征器官圖像分別在其訓練圖像集的基礎上采用基于特征子空間的方法進行超分辨率重建，得到整體人臉高分辨率圖像和面部特征器官高分辨率圖像，將二者按照先前的定位信息進行融合，即得到最終的高分辨率人臉圖像。現結合附圖對本發明做進一步描述圖1描述的是本發明所提出的基于面部特征器官相似性的人臉圖像超分辨率重建算法的整體流程。步驟1根據給定理想高分辨率人臉圖像，利用灰度投影法快速定位人眼瞳孔位置，根據瞳孔距離縮放和切割所有的人臉圖像，使所有圖像之間的瞳孔位置和面部輪廓大小基本一致，配準后的圖像組成了高分辨率正面人臉圖像庫；同時對高分辨率正面人臉圖像庫內所有圖像再次利用灰度投影法定位面部特征器官的中心坐標，然后按照固定大小和中心坐標提取器官圖像，建立高分辨率特征器官圖像庫；高分辨率正面人臉圖像庫是基于學習的人臉圖像超分辨率重建所需訓練圖像的來源，該圖像庫內的人臉圖像具有理想高分辨率，且圖像間輪廓一致、尺寸相同。該圖像庫的構建方法是給定理想高分辨率人臉圖像， 首先利用灰度投影法定位瞳孔位置，根據瞳孔位置配準圖像，在此基礎上根據面部輪廓切割圖像，經過該處理后，所有圖像尺寸一致、瞳孔位置相同，且均具有理想高分辨率。本發明采用灰度投影法定位及提取面部特征器官，其原理是對于任意的正面人臉圖像，器官在面部的分布位置是滿足一定的統計規律的。從前額中部到下顎底部，將人臉從上至下分為三部分，眼睛基本位于上三分之一處，鼻子位于二分之一處，嘴巴位于下三分之一處，同時鼻子和嘴的中心還位于人臉的垂直中線上。根據此統計規律可以確定各面部特征器官在人臉圖像的大致位置。具體實現方法的特征是首先根據器官在面部的大致位置設定目標區域，一般為矩形窗，然后計算窗內圖像在水平和垂直方向的灰度投影曲線，各曲線上的波谷即對應特征器官的中心點，如眉毛的位置，眼睛瞳孔位置，嘴唇的中心等。然后根據得到的特征器官中心坐標，分割出固定大小的器官圖像。對高分辨率正面人臉圖像庫內圖像提取面部特征器官，構造左眼、右眼、左眉、右眉、鼻、嘴唇器官庫。步驟2對一幅待超分辨率重建的低分辨率目標人臉圖像，“低分辨率目標人臉圖像”指的就是需要采用所述方法進行超分辨率重建的原始輸入圖像；配準雙眼瞳孔位置，根據圖像超分辨率放大系數計算低分辨率目標人臉圖像瞳孔坐標和特征器官圖像的尺寸，而后根據灰度投影法定位面部特征器官并提取低分辨率特征器官圖像，“低分辨率特征器官
6圖像”為從“低分辨率目標人臉圖像”上提取的器官圖像；步驟3訓練圖像集的構造是在人臉圖像庫和器官圖像庫內檢索目標人臉和特征器官的相似圖像的過程。本發明提出了梯度域和灰度域相結合的多步主元分析方法檢索相似圖像，通過不斷縮小構建特征空間的圖像的數目，逐步提高圖像相似度測量的可靠性。首先對低分辨率目標人臉圖像和低分辨率特征器官圖像進行雙三次插值，獲得初始目標人臉圖像和初始特征器官圖像，“初始目標人臉圖像”和“初始特征器官圖像”通過插值得到，為高分辨率，但清晰度差，將高分辨率正面人臉圖像庫內的所有圖像作為針對初始目標人臉圖像的候選訓練圖像；并多次(假定次數為K)通過主元分析的方法計算初始目標人臉圖像和與其對應候選訓練圖像間的近似度，將相似度低的一部分候選訓練圖像剔除，剩余近似度高的候選訓練圖像組成針對低分辨率目標人臉圖像的訓練圖像集，針對低分辨率特征器官圖像的訓練圖像集構建方法與之相同；“低分辨率特征器官圖像”和“低分辨率目標人臉圖像”分別從“高分辨率器官圖像庫”和“高分辨率正面人臉圖像庫”中提取近似度高的圖像作為各自的訓練圖像。所述多次通過主元分析的方法計算初始目標圖像(初始目標圖像指的是所述的初始目標人臉圖像或初始特征器官圖像)和與其對應候選訓練圖像間的相似度，將相似度低的一部分圖像剔除的具體步驟如下①前一半次數(前K/2次)的相似度測量在梯度域內進行，即首先計算所有圖像的梯度圖像，然后計算梯度圖像間的相似度，從而保證了候選訓練圖像與初始目標圖像間邊緣輪廓的相似性；②后一半次數(后K/2次)的相似度測量在灰度域內完成，即直接計算候選訓練圖像和初始目標圖像間的灰度相似度； 其中圖像相似度測量方法具體步驟如下①通過主元分析的方法構建所有候選訓練圖像對應的特征空間，計算所有候選訓練圖像和初始目標圖像(初始目標圖像指的是該步驟所述的初始目標人臉圖像或初始特征器官圖像)在該特征空間內的投影向量，②初始目標圖像的投影向量和候選訓練圖像的投影向量之間的歐氏距離作為它們之間相似度的判斷依據， 將相似度小的候選訓練圖像剔除，剩余的候選者重新構造特征空間，并以相同的方法計算相似度，再次將相似度小的候選訓練圖像剔除，直至剩余候選訓練圖像的數目滿足要求，最終獲取訓練圖像集。步驟4基于特征子空間的方法是所有基于學習的超分辨率重建方法中對訓練圖像信息利用最為充分的，因此為本發明所引用。特征子空間方法雖實現方式較多，但都是建立在極大后驗概率框架下的，因此本發明僅以基于主元分析的方法為例做簡要介紹，針對低分辨率目標人臉圖像和低分辨率特征器官圖像的訓練圖像集構建各自所對應的特征空間，通過低分辨率目標人臉圖像和低分辨率特征器官圖像的投影向量，重建出對應的高分辨率整體人臉圖像和高分辨率器官圖像的投影向量，將在特征空間內重建的投影向量恢復到像素空間即得到了高分辨率整體人臉圖像和高分辨率特征器官圖像；步驟5將步驟4得到的高分辨率整體人臉圖像和高分辨率特征器官圖像融合為最終的高分辨率目標人臉圖像，在步驟2的低分辨率目標人臉圖像預處理過程中已經定位了面部特征器官的中心坐標，最終高分辨率目標人臉圖像在器官位置的像素值是重建后特征器官圖像和整體人臉圖像在該位置像素值的加權和；其中，特征器官圖像中心到邊界的權值服從高斯分布。高分辨率正面人臉圖像庫和器官圖像庫的建立主要是基于灰度投影法的圖像預處理過程。如圖2所示，給定任意高分辨率人臉圖像，首先利用灰度投影法定位雙眼瞳孔位置，并根據瞳孔位置配準圖像，然后根據面部輪廓按固定大小切割圖像，所得結果存入高分辨率正面人臉圖像庫中；接下來再次利用灰度投影法定位左眉、右眉、鼻、嘴唇等器官中心位置，并按固定大小提取包括雙眼在內的所有特征器官圖像，所得結果存入相應的器官圖像庫中。針對低分辨率目標人臉圖像的訓練圖像集和針對低分辨率特征器官圖像的訓練圖像集的構建原理基本相同，差別僅在于后者需要首先定位并提取出低分辨率目標人臉圖像的面部特征器官。訓練圖像集的構建過程如圖3所示，以整體人臉圖像為例描述其特征 假定低分辨率目標人臉圖像込以及高分辨率正面人臉圖像庫的M1，其中i為庫內圖像的索引位置，如^為高分辨率正面人臉圖像庫內的第i幅圖像；其中N為庫內圖像總數目。為低分辨率目標人臉圖像選取m(m □ N)幅圖像作為整體人臉訓練圖像集，m為訓練圖像數目，一般根據實際情況確定m的具體數值。設定初始人臉訓練圖像集為{/f}；丨，m'為當前候選訓練圖像數目，其初始值為高分辨率正面人臉圖像庫內圖像總數目N，將目標圖像込采用雙三次插值重建到理想高分辨率得到初始目標圖像I1，然后計算I1和丨/^=的梯度圖像 Igi和獻！。首先在梯度域計算圖像間的相似度，特征是利用主元分析的方法構建{/思 (m≤m'≤N)對應的特征空間Ω^Κπι')，其中1為特征空間的維度，一般取1小于m'， 將向量化的Iei及{/總}；丨內圖像均投影到Ω 得到各自的投影向量I及{X盅，計算Xra與 {工總}=內所有投影向量的歐式距離
權利要求
1.一種基于面部特征器官相似性的人臉圖像超分辨率重建方法，其特征在于包括如下方法步驟1根據給定理想高分辨率人臉圖像，利用灰度投影法快速定位人眼瞳孔位置，根據瞳孔距離縮放和切割所有的人臉圖像，使所有圖像之間的瞳孔位置和面部輪廓大小基本一致，配準后的圖像組成了高分辨率正面人臉圖像庫；同時對高分辨率正面人臉圖像庫內所有圖像再次利用灰度投影法定位面部特征器官的中心坐標，然后按照固定大小和中心坐標提取器官圖像，建立高分辨率特征器官圖像庫；步驟2對一幅待超分辨率重建的低分辨率目標人臉圖像配準雙眼瞳孔位置，根據圖像超分辨率放大系數計算低分辨率目標人臉圖像瞳孔坐標和特征器官圖像的尺寸，而后根據灰度投影法定位面部特征器官并提取低分辨率特征器官圖像；步驟3首先對低分辨率目標人臉圖像和低分辨率特征器官圖像進行雙三次插值，獲得初始目標人臉圖像和初始特征器官圖像，將高分辨率正面人臉圖像庫內的所有圖像作為針對初始目標人臉圖像的候選訓練圖像；并多次通過主元分析的方法計算初始目標人臉圖像和與其對應候選訓練圖像間的近似度，將相似度低的一部分候選訓練圖像剔除，剩余近似度高的候選訓練圖像組成針對低分辨率目標人臉圖像的訓練圖像集，針對低分辨率特征器官圖像的訓練圖像集構建方法與之相同；步驟4針對低分辨率目標人臉圖像和低分辨率特征器官圖像的訓練圖像集構建各自所對應的特征空間，通過低分辨率目標人臉圖像和低分辨率特征器官圖像的投影向量，重建出對應的高分辨率整體人臉圖像和高分辨率器官圖像的投影向量，將在特征空間內重建的投影向量恢復到像素空間即得到了高分辨率整體人臉圖像和高分辨率特征器官圖像；步驟5將步驟4得到的高分辨率整體人臉圖像和高分辨率特征器官圖像融合為最終的高分辨率目標人臉圖像，在步驟2的低分辨率目標人臉圖像預處理過程中已經定位了面部特征器官的中心坐標，最終高分辨率目標人臉圖像在器官位置的像素值是重建后特征器官圖像和整體人臉圖像在該位置像素值的加權和；其中，特征器官圖像中心到邊界的權值服從高斯分布。
2.根據權利要求1所述的一種基于面部特征器官相似性的人臉圖像超分辨率重建方法，其特征在于步驟3所述多次通過主元分析的方法計算初始目標圖像和與其對應候選訓練圖像間的相似度，將相似度低的一部分圖像剔除的具體步驟如下①前一半次數的相似度測量在梯度域內進行，即首先計算所有圖像的梯度圖像，然后計算梯度圖像間的相似度， 從而保證了候選訓練圖像與初始目標圖像間邊緣輪廓的相似性；②后一半次數的相似度測量在灰度域內完成，即直接計算候選訓練圖像和初始目標圖像間的灰度相似度。
3.根據權利要求1或2所述的一種基于面部特征器官相似性的人臉圖像超分辨率重建方法，其特征在于步驟3所述的圖像相似度測量方法具體步驟如下①通過主元分析的方法構建所有候選訓練圖像對應的特征空間，計算所有候選訓練圖像和初始目標圖像在該特征空間內的投影向量，②初始目標圖像的投影向量和候選訓練圖像的投影向量之間的歐氏距離作為它們之間相似度的判斷依據，將相似度小的候選訓練圖像剔除，剩余的候選者重新構造特征空間，并以相同的方法計算相似度，再次將相似度小的候選訓練圖像剔除，直至剩余候選訓練圖像的數目滿足要求，最終獲取訓練圖像集。
全文摘要
本發明公開了一種基于面部特征器官相似性的人臉圖像超分辨率重建方法，包括如下步驟步驟1根據給定理想高分辨率人臉圖像，利用灰度投影法建立高分辨率正面人臉圖像庫和高分辨率特征器官圖像庫；步驟2對一幅低分辨率目標人臉圖像提取低分辨率特征器官圖像；步驟3對低分辨率目標人臉圖像和低分辨率特征器官圖像進行雙三次插值，獲取低分辨率圖像的訓練圖像集；步驟4訓練圖像集構建各自所對應的特征空間，重建出對應的高分辨率整體人臉圖像和高分辨率器官圖像的投影向量；步驟5將高分辨率整體人臉圖像和高分辨率特征器官圖像融合為高分辨率目標人臉圖像。該方法具有預處理時間少、訓練圖像檢索精度高和獲得人臉圖像真實度高等特點。
文檔編號G06T5/50GK102354397SQ20111027877
公開日2012年2月15日 申請日期2011年9月19日 優先權日2011年9月19日
發明者戚金清, 梁維偉, 馬曉紅 申請人:大連理工大學